阿尔茨海默病的分类:应用转移学习深度Q网络方法

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 早期诊断阿尔茨海默病 (AD) 对于减缓疾病进展至关重要.
• 目前的诊断方法需要改进,以便及时有效地进行干预.
• 休息状态功能磁共振成像 (rs-fMRI) 提供了对大脑活动的见解.

研究的目的:

• 为了研究深度Q网络 (DQN) 转移学习方法对AD诊断的有效性.
• 利用rs-fMRI的局部大脑活动指标作为分类的特征.
• 评估该方法在区分AD患者与健康对照 (HC) 中的潜力.

主要方法:

• 利用了来自1310名受试者的rs-fMRI数据 (可靠性和可重复性联盟 - CoRR) 和50名受试者 (阿尔茨海默病神经成像倡议 - ADNI).
• 提取的局部大脑活动特征:低频波动的幅度 (ALFF),分数ALFF (fALFF) 和百分比波动的幅度 (PerAF) 使用Power 264图谱.
• 采用DQN分类器,在CoRR数据 (源域) 上进行预训练,并转移到ADNI数据 (目标域) 中,以分类AD与HC.

主要成果:

• 转移学习DQN模型的分类准确率达到86.66% (p < 0.01).
• 该模型显示回忆率为83.33%,在区分AD和HC时的精度为83.33%.
• 变换测试证实了分类性能的统计学意义.

结论:

• 使用DQN转移学习是区分AD患者与健康个体的可行和有效方法.
• 来自rs-fMRI的局部大脑活动指标具有临床AD诊断的重大潜力.
• 这种方法为改善阿尔茨海默病的早期检测和管理提供了一个有希望的途径.